动态功能脑网络状态中的EEG特征

人类的大脑通过动态调节不同神经群来实现目标导向的行为。不同脑区之间的同步或失同步与静息态脑成像数据中观察到的动态功能连接相对应。在大量的健康成人被试样本中，我们利用滑动窗口相关方法来处理功能成像数据，证明了：大脑网络存在7种不同的功能连接状态/模式，这些状态/模式可以在不同时间和被试内稳定存在。这些连接状态是否对应有意义的电生理信号尚不清楚。本研究中，采集了被试睁眼和闭眼状态下的EEG和fMRI数据，证明了先前研究的可重复性，并识别出了与这些功能网络连接变化相关的脑电的频谱特征。睁眼和闭眼状态显示了相同和不同的连接模式，这些模式与不同的脑电图频谱特征相关。某些FNC状态在睁眼时更为普遍，而有些仅在闭眼时发生。两种情况的脑电图频谱中alpha频段功率均降低，其相关的丘脑皮层抑制增加，delta和theta频段功率增加，可能是睡意导致的，在闭眼状态下发生得更频繁。总之，本文发现fMRI数据中的动态连接和同时收集的脑电图数据之间存在联系。本文发表在Brain Topogr杂志。(可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。

1.引言

人类的大脑很少处于静止状态，即使在没有外部输入的情况下，相隔较远的脑区之间也会表现出相关和自发的活动。在“静息状态”的功能神经成像扫描中，证实了前扣带皮层和任务正性网络（任务需求增加时活动增加）之间存在动态功能连接。另一项研究表明，在休息和任务状态数据中，整个大脑都存在动态网络连接。因此，近年来功能连接的动态研究激增。这让我们对大规模大脑网络的时空动态有了更广泛的理解，也就是所谓的“chronnectomics”。目前常用的方法有，在预定义区域的原始时间序列或独立成分分析（independent component analysis, ICA）求得的时间序列上进行滑动时间窗相关，动态条件相关，ICA时间序列的独立时间波动模式，特征连通性，时间导数的乘法，动态相干性和元状态空间特征。

在之前的工作中，我们使用锥形滑动窗，通过分析在10-100秒的时间范围内重复出现的、跨被试一致的动态连接状态转换模式，证明了固有连通性网络(intrinsic connectivity networks, ICNs)在时间过程中相互之间存在功能网络连通性(functional network connectivity, FNC)。我们确定这些动态不是由低频时间过程中的随机噪声引起的，因为通过干扰协方差结构获得的零数据不存在明显的FNC状态，而是保持了时间过程的频率特性。利用405名健康被试的5分钟的静息态数据，我们观察到了7种不同的FNC状态，它们的连接模式出现频率和模块性不同。特别是，我们推测，丘脑皮层连接减少的状态(状态3)代表被试的警觉性或睡意减少。然而，在这些FNC状态中伴随的电生理变化目前尚不清楚。

在这次工作中，我们试图使用现有的EEG和fMRI数据来解决这一问题。睁眼和闭眼数据采集自一个23名被试的较小的样本集合。虽然睁眼和闭眼状态都被认为是不受约束的静息状态，但它们与脑电图测量的不同电生理特性相对应并显示出不同的功能连接。因此，我们的目标有三个：

(1)在独立样本中重复之前的发现；

(2)将FNC状态作为行为状态的函数；

(3)识别不同FNC状态下的脑电信号频谱特征。

2.方法

2.1被试

新墨西哥大学通过广告和口头宣传招募了25名健康被试。所有被试都在心理研究网站中提供了书面的知情同意，并得到报酬。由于fMRI图像的扫描缺失，我们排除了2名被试的数据，因此纳入23名被试的数据(16名男性，29±8.8岁，1名左撇子)。

2.2数据采集

该实验同时记录EEG-fMRI。每个记录阶段包括一次结构性MRI (7分钟)，随后是睁眼状态下功能性MRI静息状态记录(8.5分钟)，以及随后的闭眼状态下功能MRI记录(8.5分钟)。被试被要求躺着保持清醒，在昏暗的扫描仪中放松，并分别保持他们的睁眼或闭眼。为了确保被试不会睡着，研究人员在记录过程中使用Eyelink 1000眼动仪持续监测被试的眼睛，并在有任何早睡迹象时提醒被试。

脑电采集使用BrainAmp MR兼容采集系统，脑电帽采用BrainCap32导脑电帽。电极排布采用10-20系统。增设2个通道记录心电和眼动。参考通道放置在FCz。采用导电膏和磨砂膏，使各电极的阻抗保持在5kΩ以下。数据的采样率为5kHz，带通滤波频率为0.016-250Hz。脑电图放大器和功能磁共振成像同步使用内部设备。

功能成像使用西门子Sonata扫描仪，参数为：TR=2s，TE=39ms，视野为224mm，矩阵大小为64*64，翻转角为80°，像素大小为3.5×3.5×3mm，层间距为1mm。

2.3脑电数据预处理

EEG预处理使用了Matlab中的eeglab。先将EEG数据降采样至1000Hz，然后将数据滤波至1-45Hz。由于采集时采集了心电信号，所以可以使用eeglab插件来实现去除心脏伪影。然后进行平均参考，将数据分为2s的段，并用ICA去除眼电伪迹。使用FFT对EEG数据进行频率转换，保留1-20Hz的频谱内容。

2.4 fMRI数据预处理

使用AFNI和SPM8提供的工具对功能成像数据进行预处理。预处理包括移除第一个图像体积以使T1平衡，去除尖峰，时间层校正，空间标准化，调整为3×3×3mm，并进行空间平滑。空间方差归一化处理，在随后的基于方差的数据缩减步骤中最小化偏差。

2.5 fMRI组独立成分分析（Group ICA）

使用GIFT工具包对fMRI数据进行组水平上的空间ICA分析，将其分解为功能网络。fMRI数据的空间ICA分析将数据分解为空间独立的分量，每个分量都具有相干的时间进程。在这些成分中，某些成分对应生理和成像伪影，而灰质中的其他成分代表功能同质网络，称为固有连接网络。在ICA之前，通过主成分分析(principal components analysis, PCA)将被试的数据缩减保留到了160个主成分(来自255个时间点)。这些时间减少的被试数据在条件和被试之间连接了起来。利用时空回归方法估计特定被试的空间地图和时间序列(timecourses, TCs)。【与基于种子点的功能连通性方法(使用预先定义的固定感兴趣区域评估连通性强度)不同，ICA方法中的被试特定地图保留了功能激活的被试间空间特异性。有助于识别非伪影成分的特征，包括：灰质中峰值成分的激活，与已知血管、心室、运动和易感性伪影的低空间重叠，以及以低频波动为主的TCs（时间序列）。】

进行了额外的后处理来去除成分TCs剩下的噪声。包括与扫描仪漂移相关的低频趋势，与运动相关的方差，以及其他非特定的“峰值”或噪声伪影，这些使用线性混合模型不好分解出来。后处理包括：（1）去除一次、二次和三次趋势（2）六种重新排列参数及其时间导数的多元回归（3）移除检测到的异常值（4）低通滤波，高频截止频率为0.15Hz。我们使用三阶样条曲线对TCs的干净部分进行最佳估计来替换异常值。作为后处理的最后一步，我们将每个TC的方差归一化。

2.6 fMRI的FNC估计

ICN时间过程之间的两两统计关联(通常是相关)称为功能网络连接。脑区时间进程之间的两两相关被称为FC，而FNC捕获的是独立空间网络之间的线性统计关联。对于每个fMRI数据集，i=1…M，静态FNC估计通过C1×C1的TC矩阵和样本协方差矩阵∑i计算。采用滑动窗口方法估计动态FNC，其中，我们从TC矩阵的加窗段计算协方差矩阵∑i(w)，w=1…W。我们使用锥形窗口创建一个矩形(宽度=30，TRs=60s)，并按1TR的步长滑动窗口，共得到W=225个窗口。然后将每个窗口的FNC估计串联起来形成∑i，一个C1×C1×W的数组代表分量之间的协方差(相关)随时间的变化。静止的和动态的FNC估计都需要通过Fisher转换来稳定方差进行进一步计算。

2.7 fMRI的FNC状态

为了识别再次出现的FNC模式，使用相关距离函数对加窗协方差矩阵进行k-means聚类。首先在被试水平上进行聚类，然后再在组水平上进行聚类。聚类的集群数量k由聚类的有效指数来判别。通过计算，被试水平的k为6-10，组水平的k为5。在个体和组水平中，聚类次数为500次来增加逃离局部极小值的机会。

FNC状态1-5按照其对应的出现时间进行排序。对于每一个状态，由状态向量计算的发生时间序列被归一化到0-1，并拟合成线性回归模型。聚类按照线性斜率排列。因此，状态1相对发生率随时间的变化呈现出最大的负变化，状态5呈现出最大的正变化。

使用基于网络的模块性和全局效率度量来定量表征FNC状态。模块性采用了Rubinov and Sporns 2011中定义的模块化指数来描述，该指数考虑了无阈值连通矩阵的正权和负权。全局效率，由矩阵中的正权值确定。此外，我们通过计算转移矩阵(transition matrix, TM)评估了时间属性，即从一个状态改变到另一个状态的概率，然后计算了代表稳态的TM。

2.8 通过fMRI的FNC状态得出EEG频谱图

利用滑动窗口中心对应的时间点，将FNC状态向量与脑电图进行对齐。然后用两种方法量化分离频谱之间的差异。首先，我们计算特殊状态平均谱之间的欧几里得距离，得到一个汇总所有差异的单一统计量。然后，我们计算了在delta、theta、alpha三个频段每个状态特定振幅之间的差值和全脑均值。这种方法提供了关于状态之间定向和频段特异性的差异。对于这两种方法，在每个通道上分别进行计算。

我们使用非参数置换检验来确定状态特异性脑电图谱之间观察到的差异是否大于随机预期，由于相邻窗口的非独立性和不同被试状态的不均匀抽样，使用标准参数模型(如方差分析)具有挑战性。为了创建合适的零分布，fMRI FNC状态向量在被试之间进行排列，并相对于脑电图数据进行时间移位。时间变化随机从[-W/2,W/2]中抽取，数值循环移动。这种排列方案保留了原始FNC状态向量的自相关结构，但破坏了被试内部的EEG-fMRI同步以及被试之间常见的EEG-fMRI时间趋势。为了便于显示结果，根据每个通道上的零分布的平均值和标准偏差，将差异度量值转换为z分数。

3.结果

图1A显示了组水平ICA识别出来的ICNs。基于它们的解剖和假定的功能特性，ICNs被归为不同的成分：皮质下（sub-cortical, SC），听觉（auditory, AUD），初级躯体运动皮质（somatomotor, SM），视觉（visual, VIS），认知控制（cognitive control, CC），默认模式（default-mode, DM）和小脑（cerebellar, CB）。各组分的峰值激活量和坐标见表1。图1b显示了睁眼状态下ICN之间的平均静态FNC，以便于与我们早期的工作进行可视化比较。

图1 组水平ICA中的ICNs。 23名被试睁眼状态下的ICA成分空间图和静态FNC图。ICNs根据其解剖和功能特性进行分组和排列。在图A中不同成分中组件的颜色对应B中不同颜色的方块。B中的ICN标记表示有峰值的大脑区域，除非指定为左(L)或右(R)，否则指的是双侧同源物。表1为各成分峰值的坐标。

STG颞上回；PoCG中央后回；ParaCL近中心小叶；PreCG中央前回；SPL顶上小叶；MOG枕中回；FFG梭状回；SOG枕上回；SMA辅助运动区；IPL顶下小叶；MFG额中回；IFG额下回；SFG额上回；SMeG上内侧回；MTG颞中回；PHG海马旁回；PCC后扣带皮层；MeFG内侧额回；ACC前扣带皮层；AG角回；CB小脑。
表1 各成分峰值的坐标。

3.1 连接状态

k=5的聚类结果如图2所示。FNC状态的特征是聚类结果(图2a)和它们的出现时间的函数(图2b)。状态1(S1)的特点是FNC高度模块化，SM网络之间的连接性突出。状态1主要出现在睁眼期间，闭眼状态基本没有。S2表现出相似的FNC和时间趋势，睁眼状态下S2状态的FNC在较晚时间点出现减少，闭眼状态下S2相对较少。S3在时间上表现出不同的模式，在睁眼期间适度存在，随后在闭眼开始时出现一个大的跳跃，并随着记录时间衰减。S3状态的FNC显示VIS成分与CC网络相关性较小，与DM网络相关性较大。S4和S5的FNC模式与S1-S3有较大差异。S4中，所有初级感觉运动和高级联合皮质区 (AUD、SM、VIS以及一些CC和DM成分)高度相关，导致模块性降低和整体效率的增加。在时间上，S4在睁眼期间呈显著的线性增加，在闭眼期间保持相对恒定的存在。S5表现出更大的“超同步化”，因为缺少S4中SC和感觉运动成分之间的反作用关系。S5在睁眼期间基本上不存在，但在整个闭眼期间显示出越来越多的存在。

图2 k=5的聚类结果。

注意，在特定被试的PCA之前去除全局均值信号，强制ICA分解空间为全局信号的零空间，并引入反相关性。在ICA框架的PCA步骤中包含了全局信号去除。对全局信号的去除(回归或均值减法)一直存在激烈的争论。全局平均减法被称为帧对帧稳定去除所有体素中每个时间点的恒定值，不像回归去除每个体素中不同权重的全局信号的加权版本。虽然两种方法都迫使相关分布在零值附近，但回归可能在相关估计中引入区域间的偏差。

FNC状态的时间特性也可以通过研究状态间的转换来表征。图3b(左)显示了平均TM（转移矩阵），表示从一种状态改变到另一种状态的概率。沿对角线的白色方块表示保持相同状态的可能性非常高。值得注意的是，从S2过渡到S3的概率P(S2→S3)大于P(S3→S2)。同样，P(S3→S4)大于P(S4→S3)，且P(S4→S5)大于P(S5→S4)，说明了过渡的方向性。图3b(右)中显示的TM计算的稳态概率(π)可以看出，从长期来看更容易发现S4或S5。

图3 FNC状态的表征(a)和它们之间的转换(b)。

图a是每个连接状态的模块性(左)和全局效率(右)的估计。

b为状态转移矩阵(TM)的平均值(左图)和稳态的平稳概率向量(π，TM的主特征向量，右图)。注意，转移概率是在对数尺度上用颜色显示的。在所有的图中，误差条表示每个数量的非参数95%置信区间，通过重新采样和重新计算样本的数量(500次重复)获得。

3.2 分离EEG

为了确定不同FNC状态的电生理特征，对每2s TR上计算的脑电图频谱进行分组，并对以该TR为中心的窗口进行FNC状态标记（图4a）。图4b显示的是CZ、O1和O2电极的结果。如果fMRI得到的FNC模式与电生理学无关，我们可以预期不同状态的频谱会相互重叠。相比之下，我们发现了频谱之间的巨大差异，总结如下：

S1在delta/theta频段范围内几乎没有同步，在alpha波段有一个弱峰；S2在中央电极上表现出alpha频段功率较大，但枕部电极上没有；S3主要是在枕部电极上表现出alpha频段同步，但也向更前方延伸；S4表现出与S2相似的alpha同步幅度，尽管alpha峰向较低的频段展宽，也存在较慢的振荡(<7Hz)；S5表现出最明显的电生理特征，在delta和theta频段上有强烈和广泛的同步，枕部alpha波段去同步。频谱之间的统计差异是通过Monte Carlo置换检验确定的，并确认了各状态频谱特征在中央电极的差异(P<0.01,FDR校正)比预想的偶然性要显著（图4d）。

为了进行比较，图4c显示了中央和枕部电极按行为状态(睁眼和闭眼)分离的脑电图谱。正如预期的那样，闭眼状态与睁眼状态相比，alpha频段功率相对靠后，但在中央电极上显示出更高的delta和theta功率，这通常与警觉性降低有关，而不是闭眼本身。fMRI分离出来的结果表明这些电生理信号之间有明显的区别：alpha频段同步化与S3相关，这最有可能发生在闭眼开始的时候(图2b)，而增加的delta和theta节律与S5密切相关，这是在闭眼状态的后期发现的，可能反映N1睡眠阶段。

图4 用FNC状态分离出的脑电图谱。

a为单个被试的脑电图分离示意图。根据fMRI数据的FNC状态向量，对脑电数据每2s的数据进行频谱计算，并进行分组。

b为所有分段所有被试的平均结果。为便于比较，图c中显示了按眼部情况划分的脑电图频谱。

d为脑电图谱的统计学意义。在左侧面板中，我们将观察到的脑电图频谱之间的总欧氏距离(红点)与通过蒙特卡罗置换检验得到的距离的零分布(灰色)进行了比较。为了便于在地形显示中进行视觉比较，根据每个通道上的零分布的平均值和标准偏差，将差异度量值转换为z分数。在地形图中填充的白色电极表示比较后P<0.01且经过FDR校正。

图5显示了三个具有代表性的被试的FNC状态及相应的EEG频谱图。脑电图频谱的非平稳性清晰可见，特别是被试7和17，他们在闭眼后1-2分钟alpha频段出现明显去同步，FNC动态明显。每个被试各状态频谱图的趋势（图5a-c最左边面板）与图4b中的结果相似。重要的是，虽然这些例子表明，在群体水平上发现的特定状态的脑电图和FNC模式也可以在个体水平上看到，但它们也说明了被试之间的高度变异性(例如，被试7的S4状态与被试17的S4状态有明显差异），以及被试内部的差异(例如，睁眼期间被试17中S4状态与闭眼中S4的状态相比明显的特征较少)。

图5 三个代表性被试的FNC状态及相应的脑电图谱图。被试7（a）、10（b）、17（c）的FNC动力学和EEG频谱图。对于每个被试，上面的面板在中央(Cz)和枕部(O1+O2)电极上显示了睁眼和闭眼条件的脑电频谱图。下面的面板显示动态FNC矩阵，在聚类到相同状态的连续窗口上平均。FNC状态分配在频谱图下用不同的颜色表示。

4.讨论

在这项工作中，我们成功地复制了我们之前的研究结果，即：在静息态下存在不同的FNC连接状态，通过滑动窗口和聚类分析，发现这些状态在被试内部和跨被试间重复出现，即使是在一个比我们之前的研究小得多的样本中，在睁眼条件下获得的三种状态中也有两种与之前研究获得的状态相似。在睁眼条件下，当前研究的状态S4与之前的分析中的状态S3具有相似的丘脑-皮质拮抗作用，且频率随时间增加。同时，当前研究中的状态S2与早期研究中的状态S7相似，在睁眼条件下，随着记录的进行，出现频率也相似地下降。此外，我们还发现这些FNC状态对应着具有不同脑电图谱特征的神经电活动，表明我们的方法在估计连接动力学方面的缺点。我们推测状态S4与警惕性降低有关，但事实上，与众所周知的警觉降低的睁眼清醒状态S1相比，状态S4在脑电图频谱中的delta和theta功率增加，alpha功率下降。随着记录的进行，这些从更警觉状态到更不警觉状态(可能是浅睡眠)的转变逐渐发生。最近利用fMRI静息态数据进行的睡眠分类研究也发现，在清醒到睡眠阶段1的过渡中，皮层下与大脑皮层的连接更具区别性。在某些方面，当前的工作代表了反向的方法。长时间(小时)同时进行EEG-fMRI记录，本文首先将具有睡眠评分的脑电图分给相应的睡眠阶段，然后使用这些标签在学习框架下训练基于FNC的睡眠阶段分类器。在这里，不是从手工分类和标记脑电图开始，而是使用无监督学习方法(k-means)来识别和分离FNC模式，然后根据这些分类检查脑电图谱。尽管目标和假设不同，但这些方法在FNC与不同脑电图模式相关的变化方面得出了一些相似的结论：（1）脑电图数据的睡眠分期显示，被试在闭眼条件下更容易进入嗜睡和早期睡眠阶段。23名被试中有20名处于睁眼状态的被试的脑电图的alpha频段能量很高，提示整个记录过程处于警觉状态。在睁眼状态中，其余三名被试只有缓慢的theta和alpha波的混合，没有顶点尖锐波的证据，表明其警觉性降低或达到轻微的睡意(睡眠阶段1)。相反，在闭眼状态中，23名被试中有12人在整个记录过程中脑电频谱中表现出alpha频段功率较高。在其余的被试中，随着记录的进行，被试的脑电图显示出从高alpha能量到alpha和theta混合的转变。（2）进入睡眠的最显著特征可能是丘脑-皮质连通性从正相关变为反相关，我们之前将其描述为“皮质-皮质下拮抗”。这与Spoormaker等人的观点一致，他们还指出丘脑和大脑皮层之间的负相关在睡眠的第一阶段最为显著，并随着向深度睡眠过渡而减少。然而，Chang和他的同事同时使用功能磁共振成像(fMRI)和皮层内电生理记录猕猴的信号，证明了一种具有类似丘脑-皮质拮抗的状态是静息状态下失去兴奋的标志。因此，未来的研究应该调查在觉醒下降和睡意下降的状态之间是否存在特定的差异。丘脑与其他区域的功能连接关系特别有趣，因为它在意识中发挥重要作用，并在睁眼和闭眼状态下表现出不同的电生理特征。先前的研究发现，丘脑参与协调alpha节律。我们的研究支持这样的观点，即丘脑在控制/调节自发的alpha波段信号方面起着重要的作用，然而它作为一个复杂的丘脑-皮质时间体系统，而不是孤立的。感觉信息从丘脑向皮层的传递是状态依赖的，即在困倦或疲劳时明显减少，而在警觉时增强，这可能导致我们在状态4中观察到丘脑皮层的大量反连通性。然而，我们发现后alpha波段和“昏睡FNC特征”(状态4)之间的对应关系需要进一步的研究。在这项工作中，我们将睁眼和闭眼状态对应不同的神经生理状态，睁眼状态代表着更有意识的“外部感受”状态，以外部注意和动眼肌活动为特征；闭眼状态对应于更多的“内感受”状态，其特征是想象和多感觉活动，最近已被证明对应于不同的功能拓扑。与S4相比，我们在闭眼状态中观察到更大的感觉系统整合，这与之前的报道一致。此外，与睁眼条件相比，我们观察到闭眼条件下模块化降低，整体效率提高(图3a,b)。在睁眼条件下，更大的模块化被认为有助于提高外部感受加工的局部效率。在EEG-fMRI睡眠研究中，Tagliazucchi等人提出了令人信服的证据表明与清醒状态相比，N3阶段睡眠状态的网络模块化增加，但从清醒状态到N1睡眠状态网络模块化没有变化，并证明了delta波段功率和模块化之间是正相关关系，alpha波段功率与模块化是负相关关系。还有，Boly等人在2012年的一份研究显示，深度睡眠会导致类似的模块化增加。然而，我们目前的研究结果显示，与S1-S3相比，S4和S5的网络模块性下降(见图3a)。我们的研究结果表明，由于模块间连接增加，在浅睡眠状态下，模块性会随着困倦而降低。模块性随着被试进入深度睡眠而显著增加，皮质-皮质连通性显著降低，与经颅磁刺激和睡眠的概念相一致。虽然Spoormaker和同事们推测，这反映了更多干扰信息整合的随机网络组织，但人们对轻度睡眠中正性功能连接的增加(以及内部模块负相关的减少)还没有很好地理解。这些状态下模块性下降与图2a中显示的FNC效果比较一致；与S1-S3相比，S4和S5在更大的ICNs集合之间表现出更强的正相关关系。因此，在视觉上更难以将ICNs细分为清晰描述的组。虽然在Tagliazucchi等人2013年的研究中没有类似的可视化，但研究之间明显矛盾的一个可能原因是使用了不同的模块化指标。在这里，我们使用，基于Rubinov和Sporns的定义，考虑了无阈值连通矩阵的正权和负权。Tagliazucchi等人使用Q，它只考虑阈值连接矩阵的积极因素。对于模块内连接固定的网络，增加模块间负连接会增加值，但会降低Q值；因此，模块化估计的差异可能与模块间负相关的敏感性(或缺乏敏感性)有关。 对未来工作的影响结合以前的工作，当前的结果提倡在评估功能连接时更严格的描述被试状态。描述“闭眼静卧状态”不太可能充分描述被试经历的警觉状态的变化，即使是在相对较短的实验中。Tagliazucchi和Laufs全面证明，当被试者为闭眼状态时，预计三分之一的被试在休息4分钟后会失去清醒，近一半的被试在休息10分钟后会失去清醒。特别要注意的是，在比较可能表现出不同休息行为的被试组时要谨慎(例如，由于焦虑、药物、舒适等原因，或多或少会昏昏欲睡)。动态FNC分析将时间周期分离到不同的状态中，然后分析状态内的FNC，这样可能会避开这个问题，我们在最近的一项研究中应用了这种方法来检查精神分裂症的静息状态FNC。我们发现，在组水平比较之前分离FNC状态，产生了更具体的组间连通性差异，并揭示了在静止FNC比较中被混淆的额外差异。拓扑描述对于将网络压缩为抽象属性非常有用，但是要注意不要用它们来代替网络本身。例如，状态4和状态5的模块性和全局效率在统计上并没有差异，但是网络本身和发生情况却表现出显著差异。这项研究还建议谨慎地将观察到的FC/FNC动态变化解释为认知的转变。这并不是说FC的变化对内部行为的变化不敏感。而是说，在没有任何实验指导的行为下(回忆事件，安静地哼唱)，被试很可能会做大量不同的事情（实验者不知道的）。就数据驱动的分析而言，许多较大的差异来源很可能与警戒转移有关。Wong等人在2013年的研究表明这种时变警惕性下降可以通过EEG频谱功率的增加来证明，显示出与全局信号振幅(以及功能连通性)的逆关系，并认为基于种子的连通性方法执行的全局信号回归可能在一定程度上减少了与跨被试警觉性转移相关的方差。Wong和他的同事还发现了其他类似的结果，警觉性脑电图测量结果和整体信号振幅(与拮抗有关)之间有很强的关系，我们观察到状态S4和S5显示内部模块负连接的数量显著减少，这与全局信号的振幅直接相关。

与其他EEG-fMRI方法进行比较到目前为止，大部分的EEG-fMRI整合研究都集中在振幅调制上，即EEG带限功率的变化可能与BOLD信号的变化有关。鉴于神经激活和血流动力学反应之间已建立的因果关系，这可能是最合理的模型。然而，神经信号不需要包含正在进行的振荡的振幅功率的变化。许多研究表明，功能网络是由远距离神经群体之间的相位关系以及交叉频率耦合形成的，这促进了考虑电生理信号和fMRI衍生的FC之间关系的替代模型的发展。一些研究认为时变FC是脑电图功率的函数：使用心理生理交互分析，使用alpha高功率段数据和低功率段数据作为内在条件，Scheeringa和他的同事报告说，视觉皮层内的FC降低，alpha频段功率增加，与丘脑的反相关性降低。通过滑动窗口分析，Chang及其同事证明了默认网络和背侧注意网络之间的时变连接，背侧注意网络的强度与alpha功率呈负相关，这可能反映了状态依赖的动态。Tagliazucchi和同事使用类似的分析，但扩展到整个感兴趣的脑区，研究了动态FC电生理相关因素，并报告了FC随着alpha和beta频谱功率的增加而减少，随着theta功率的增加而增加。在这里，我们使用类似的方法，但使用fMRI-FC聚类来分割时间窗，消除了FNC和脑电图功率之间线性关系的假设。我们的方法有一些优点：(1)内在的多变量，所以不(错误地)认为大脑区域之间的相关性是独立的。(2)不会受到多重比较问题的困扰，也就是说，测试所有大脑区域之间的相关性。(3)最重要的是不假定脑电图功率和FNC之间的关系是静态的，可以更好的捕获网络连接的动态重构，包括警戒转移和内部行为。

5.局限性

因为FNC和EEG都显示出随着时间(包括睁眼/闭眼)的推移而发生的系统性变化，所以我们可能大大高估了这两种模式之间的任何“联系”。尽管捕获了动态连接重构，但在聚类中会丢失一些细节，因为使用较短的窗口时间序列估计FNC可能会有噪声，并且在某些情况下专注于FNC状态会导致单个区域之间失去一些特异性。此外，k-means方法丢失了大量的被试个体特异性，例如在图5中，个体被试的S4是不同的。我们观察到被试倾向于“昏睡FNC状态”在闭眼状态比睁眼状态来的更早。这与早期的报告相一致，该报告表明闭着眼睛睡觉的可能性比睁开眼睛睡觉的可能性更高。然而，我们不能排除一种可能性，即所有被试的闭眼状态比睁眼状态记录的晚，而且由于扫描顺序不平衡，被试很可能在闭眼状态更累。尽管我们已经尝试通过使用ICA来最小化被试动作的影响，并基于先前对ICA中被试动作影响的研究，从感兴趣成分的时间序列中回归相关衍生信号，但是我们不能排除被试误动对实验的影响。此外，我们所做的一些选择，例如ICA中的模型顺序选择、dFNC估计的窗口长度等，都是主观的，但是我们确实使用这些设置在许多不同的数据集上给出了一致的结果。尽管如此，在今后的工作中仍应继续探索经验选择。

总结：

在这项工作中，研究者证明了使用ICA、滑动窗口和k-means聚类估计出来的动态FNC状态会产生对应于不同电生理心理状态的有意义的结果。研究支持了早期的研究，即同时获取EEG和功能MRI数据可以提供互补信息。与FNC状态相关的脑电图频谱特征分析的数据表明，在睁眼和闭眼休息状态下，对睡意的评估很重要，研究人员在比较不同人群时应仔细考虑这些因素。虽然使用滑动窗口技术的动态FNC估计可能有噪声，但可以相对确信，使用该方法估计的FNC动态在一定程度上反映了局部和远端神经相干性的变化。

如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技莫大的支持，感谢！